機器人避障技術的分類

　　目前移動機器人的避障根據環境信息的掌握程度可以分為障礙物信息已知、障礙物信息部分未知或完全未知兩種。傳統的導航避障方法如可視圖法、柵格法、自由空間法等算法對障礙物信息己知時的避障問題處理尚可，但當障礙信息未知或者障礙是可移動的時候，傳統的導航方法一般不能很好的解決避障問題或者根本不能避障。而實際生活中，絕大多數的情況下，機器人所處的環境都是動態的、可變的、未知的，為了解決上述問題，人們引入了計算機和人工智能等領域的一些算法。同時得益于處理器計算能力的提高及傳感器技術的發展，在移動機器人的平臺上進行一些復雜算法的運算也變得輕松，由此產生了一系列智能避障方法，比較熱門的有：遺傳算法、神經網絡算法、模糊算法等，下面分別加以介紹。

　　1基于遺傳算法的機器人避障算法：

　　遺傳算法（genetic algorithm ，簡稱GA ）是計算數學中用于解決最佳化的搜索算法，是進化算法的一種。進化算法是借鑒了進化生物學中的遺傳、突變、自然選擇以及雜交等現象而發展起來的。遺傳算法采用從自然進化中抽象出來的幾個算子對參數編碼的字符串進行遺傳操作，包括復制或選擇算子（Reproduction or Select）、交叉算子（Crossover）、變異算子（Mutation）。

　　遺傳算法的主要優點是：采用群體方式對目標函數空間進行多線索的并行搜索，不會陷入局部極小點；只需要可行解目標函數的值，而不需要其他信息，對目標函數的連續性、可微性沒有要求，使用方便；解的選擇和產生用概率方式，因此具有較強的適應能力和魯棒性。

　　2基于神經網絡算法的機器人避障方法：

　　神經網絡（neural network，縮寫NN），是一種模仿生物神經網絡的結構和功能的數學模型或計算模型。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統。人工神經網絡通常通過一個基于數學統計學類型的學習方法優化，是一種非線性統計性數據建模工具，可以對輸入和輸出間復雜的關系進行建模。

　　傳統的神經網絡路徑規劃方法往往是建立一個關于機器人從初始位置到目標位置行走路徑的神經網絡模型，模型輸入是傳感器信息和機器人前一位置或者前一位置的運動方向，通過對模型訓練輸出機器人下一位置或者下一位置的運動方向。可以建立基于動態神經網絡的機器人避障算法，動態神經網絡可以根據機器人環境狀態的復雜程度自動地調整其結構，實時地實現機器人的狀態與其避障動作之間的映射關系，能有效地減輕機器人的運算壓力。還有研究通過使用神經網絡避障的同時與混合智能系統（HIS）相連接，可以使移動機器人的認知決策避障能力和人相近。

　　3基于模糊控制的機器人避障算法

　　模糊控制（fuzzy control）是一類應用模糊集合理論的控制方法，它沒有像經典控制理論那樣把實際情況加以簡化從而建立起數學模型，而是通過人的經驗和決策進行相應的模糊邏輯推理，并且用具有模糊性的語言來描述整個時變的控制過程。對于移動機器人避障用經典控制理論建立起的數學模型將會非常粗糙，而模糊控制則把經典控制中被簡化的部分也綜合起來加以考慮。

　　對于移動機器人避障的模糊控制而言，其關鍵問題就是要建立合適的模糊控制器，模糊控制器主要完成障礙物距離值的模糊化、避障模糊關系的運算、模糊決策以及避障決策結果的非模糊化處理（精確化）等重要過程，以此來智能地控制移動機器人的避障行為。利用模糊控制理論還可將專家知識或操作人員經驗形成的語言規則直接轉化為自動控制策略。通常使用模糊規則查詢表，用語言知識模型來設計和修正控制算法。

　　除此之外還有啟發式搜索算法、基于行為的路徑規劃算法、基于再激勵學習的路徑規劃算法等避障算法，也都在移動機器人的避障研究中取得了很好的成果。

　　隨著計算機技術、傳感器技術、人工智能的發展，移動機器的避障及自主導航技術已經取得了豐碩的研究成果，應用領域也在不斷地擴大，應用復雜程度也越來越高。移動機器人的自主尋路要求已經從之前簡單的功能實現提升到可靠性、通用性、高效率上來，因此對其相關技術提出了更高的要求。然而至今沒有任何一種方法能夠在任意環境使機器人進行有效地避障，如何克服相關算法的局限性是今后工作的研究方向之一。可以看出不管是傳統算法還是新興的智能算法都有其適用與不適用的環境，通過傳統算法與智能算法及智能算法之間的相互融合，克服單個算法的缺陷，增強整體的適用性，現在已經有很多這方面的研究，以后仍將是研究熱點之一。